刚接触 ComfyUI 图生视频的很多人第一反应都是把 SVD 模型塞进CheckpointLoaderSimple再按文生图的老套路接一根线。结果往往换来的是显存爆炸、节点连线报错或者生成出来的第一帧跟参考图毫无关系。真正的问题在于——你在用文生图的思路去套图生视频。这篇是这个系列的第 5 篇来把 ComfyUI 里一个名字看起来有点绕的加载器彻底讲清楚ImageOnlyCheckpointLoader。它是 ComfyUI 内置节点藏在loaders/video_models分类下用途非常专一——加载“以图像为唯一输入条件”的视频扩散模型最典型的就是 SVDStable Video Diffusion系列。关键差异在于它在工作流里只输出一个MODEL不像通用加载器那样给你MODEL CLIP VAE三件套。搞清楚这句话背后的原因你的图生视频工作流就成功了一半。1. ImageOnlyCheckpointLoader 到底是干什么的1.1 名字很绕定位却很专一ImageOnlyCheckpointLoader的中文意思大概是“仅图像检查点加载器”。这个“ImageOnly”指的不是加载器本身只管图像而是它服务的模型在推理时只依赖图像条件不需要文本提示词参与。SVD 这类模型就是如此给它一张参考帧它能凭借自身学到的运动先验推演出后续若干帧画面。从接口上看这个节点极其简单。我做了个表格方便你快速核对维度内容输入ckpt_name一个字符串对应models/checkpoints目录下的模型文件输出MODEL一个可直接接入采样器的扩散模型主体功能分类loaders/video_models安装方式ComfyUI 内置无需额外插件它比CheckpointLoaderSimple精简得多。后者输入一个ckpt_name输出MODEL、CLIP、VAE三个接口而ImageOnlyCheckpointLoader把后面两个砍掉了只留下采样器最需要的那根线。1.2 为什么图像转视频不能用通用加载器这个问题的答案直接决定了你为什么需要ImageOnlyCheckpointLoader。第一显存浪费。CheckpointLoaderSimple加载模型时会尝试装配文本编码器 CLIP。但对 SVD 这类图生视频模型来说文本编码器要么不是核心组件要么根本不会被条件注入环节使用。装进来之后它就静静躺在显存里白白吃掉几个 GB 的显存。视频模型本身体积就大再被 CLIP 挤占显存很容易跑到一半直接 Out of Memory。第二接口类型对不上。通用加载器输出CLIP后新手很容易把这条线接到SVD_img2vid_Conditioning的clip_vision端口上结果节点类型不匹配界面直接报红。实际上SVD_img2vid_Conditioning需要的是一种叫CLIP_VISION的类型它来自CLIPVisionLoader而不是CLIP。这个坑在社区里非常普遍几乎每个跑 SVD 的人至少踩过一次。第三底层装配逻辑不同。ImageOnlyCheckpointLoader调用 ComfyUI 底层的模型猜测加载函数时主动设置了“跳过 CLIP”的标志从源头上不让文本编码器进入内存。而通用加载器走的是完整装配流程自然要按文生图标准把所有组件都准备好。1.3 它到底加载了什么、不加载什么ImageOnlyCheckpointLoader从一个检查点文件里做的事情可以理解为识别文件里的模型类型抽取出用于生成视频的扩散模型主干然后把其余组件全部丢开。它加载的是模型权重里的 UNet 部分或者是架构上等价的扩散主干最终包装成一个MODEL对象交给采样器。它不加载 CLIP。这一点我已经说了。但它也不负责给你 VAE。很多人以为名字里带“CheckpointLoader”就应该像通用加载器一样顺手把 VAE 也拿出来。实际操作中SVD 工作流里你会看到旁边单独挂着VAELoader这个节点从models/vae目录加载 VAE 文件再分别送给SVD_img2vid_Conditioning和最终的VAEDecode。换言之ImageOnlyCheckpointLoader只是“只点主菜”配菜要你自己单点。我用一个生活化类比总结CheckpointLoaderSimple是外卖全家桶饭、菜、汤都给你装好ImageOnlyCheckpointLoader是只点主菜汤和饮料你自己去旁边的档口买。省下的那份“汤”就是 CLIP对 SVD 来说它既占包装又不好喝。1.4 哪些模型归它管这个节点主要服务于 SVD、SVD-XT以及 SV3D 这类以图像为条件的视频生成模型。SVD 系列是最常见的使用对象社区里还有不少复现的图生视频模型也采用相同的条件方式同样可以用它加载。需要提醒的是虽然它理论上也能把普通 SD1.5 / SDXL 的检查点加载成功并输出MODEL但普通文生图模型没有配套的SVD_img2vid_Conditioning条件构造流程后面接不上视频生成逻辑使用场景非常有限。它被放在video_models分类下本身就是一条明确的指向。日常做图时老老实实用CheckpointLoaderSimple做图生视频时再切换到这个节点。2. 从加载器到一条完整的图像转视频工作流2.1 三个事前准备模型文件放哪要跑通 SVD 图生视频你需要准备三类文件分别放到 ComfyUI 的models目录下主模型文件SVD 或 SVD-XT 的safetensors检查点放到models/checkpoints目录。下载时注意文件体积SVD 基础版通常几个 GBSVD-XT 更大。VAE 文件SVD 配套的 VAE或者社区里被广泛验证可用的 SD1.5 高质量 VAE放到models/vae目录。CLIP Vision 文件SVD 需要的是 OpenCLIP ViT-H 类型的视觉编码器文件通常叫clip_vision_g.safetensors、sd_clip_vit_h.safetensors之类放到models/clip_vision目录。如果你只下载了主模型就开工后面连接节点时大概率会卡在“缺少 VAE 或 CLIP Vision”这一步。我自己第一次跑 SVD 时就只放了主模型结果VAEDecode一直在报错折腾了半天才意识到ImageOnlyCheckpointLoader根本不会把 VAE 吐出来。把文件放好后建议重启一次 ComfyUI或者在界面里刷新节点列表确保新文件被正确索引。2.2 最小闭环节点之间怎么接有了文件之后搭建工作流就变得很机械。我这里给出一个稳定跑通的最小闭环节点之间的连线如下LoadImage加载一张参考图它将成为视频的第一帧。ImageOnlyCheckpointLoader选择svd或svd_xt模型文件输出MODEL。VAELoader选择 VAE 文件输出VAE。CLIPVisionLoader选择 CLIP Vision 文件输出CLIP_VISION。SVD_img2vid_Conditioning接收init_image来自 LoadImage、clip_vision来自 CLIPVisionLoader、vae来自 VAELoader并根据你的参数设置输出positive、negative、latent三组结果。KSamplermodel连ImageOnlyCheckpointLoader的MODELpositive、negative、latent连SVD_img2vid_Conditioning的三个输出其余参数按推荐值设置。VAEDecodesamples连KSampler的输出LATENTvae连VAELoader的输出VAE。最后接一个视频保存节点我习惯用 VideoHelperSuite 插件的VHS_VideoCombine也可以直接连SaveAnimatedWEBP输出循环动画。这里有一个特别容易被忽略的点ImageOnlyCheckpointLoader的MODEL输出不是接给SVD_img2vid_Conditioning而是直接接给KSampler。条件节点只负责生成positive、negative和latent真正执行去噪采样的是KSampler而采样器需要的模型正好就是那个单独的MODEL。2.3 参数照搬先抄一组稳的对于初次跑通我不建议一上来就各种微调。直接照搬下面这组参数先把流程跑起来参数SVD 基础版SVD-XTwidth10241024height576576video_frames1425motion_bucket_id127127fps66augmentation_level0.050.05sampler_nameeulereulerschedulersimplesimplesteps3030cfg2.52.5denoise1.01.0这组参数跑出来的典型效果是首帧和参考图保持高度一致画面会缓慢浮动物体有小幅度的位移和视角变化整体动态不会太夸张。如果你觉得动作太保守再把motion_bucket_id往上加比如 150 到 200 之间如果觉得画面太死板、像贴图在抖可以把augmentation_level稍微提高到 0.08。需要强调的是cfg在这里不要太贪。SVD 对分类器引导很敏感cfg拉到 7 或者 8画面饱和度会直接溢出出现明显的塑料感和变形。2.0 到 3.0 是比较舒服的区间。2.4 输出视频帧率与编码生成完 25 帧画面后如果用的是VHS_VideoCombine保存 MP4记得把输出帧率设置成和SVD_img2vid_Conditioning里的fps一致。这里有两个“fps”要区分一个是条件节点告诉模型“按什么节奏生成”另一个是输出节点告诉播放器“按什么速度播放”。两者不一致时视频要么快进要么慢放。SVD 官方建议 6 到 8 帧每秒生成实际上 6fps 更容易出稳定平滑的结果后期如果需要 24fps 或 30fps再用插帧插件处理。编码方面H.264兼容性最好如果你在意体积可以选H.265。想快速预览的话SaveAnimatedWEBP比 GIF 体积小很多而且支持循环播放很适合发到聊天工具里看效果。3. 底层加载逻辑与关键参数背后的原理3.1 load_checkpoint_guess_config 到底做了什么前面一直在说“底层会自动识别模型”这里稍微展开一下。ComfyUI 在加载检查点时会调用一个“猜测配置”的函数它根据文件内部的键名结构来判断这到底是一个 SD1.5 模型、SD2.x 模型、SDXL 模型还是 SVD 视频模型。判断完成后它会按对应架构把权重装配成可推理的模型对象。ImageOnlyCheckpointLoader在这个基础上做了两件事第一明确要求不装配 CLIP也就是内部的output_clipFalse第二只把最终生成的模型对象暴露到工作流接口上其他中间产物直接丢弃。更细节的一点是节点内部在装配过程中其实可以拿到 VAE但它在接口层面没有暴露。这也是我前面反复提醒“VAE 要单独加载”的根源。理解了这一层你就能明白它不是设计缺陷而是刻意保持接口纯净。图生视频模型的 VAE 文件经常散落在不同地方工作流里让你自己指定反而更灵活。3.2 SVD 是怎么用一张图生成一段视频的SVD 的生成过程可以简化理解成三个环节第一步参考图被 VAE 编码进潜空间同时被 CLIP Vision 提取出高层视觉语义。前者负责保留像素级结构后者负责提供“这幅画面里有什么”的语义信息。第二步在去噪 UNet 的执行过程中条件帧会作为额外的结构约束被注入到每一帧的生成里。常见实现是把条件帧的潜在表示拼接到噪声视频潜变量上或者在条件注入层里让它持续参与运算。这种约束不像文本条件那样松散的 cross-attention而是更贴合的像素级约束所以模型才能始终记住“第一帧长什么样”。第三步采样器在潜空间里逐步去噪从纯噪声中“显影”出后续帧。因为没有文本提示词整段视频的风格、主体身份、空间关系全部由图条件和模型先验共同决定。这是 SVD 与常规文生图最大的不同也是ImageOnlyCheckpointLoader被称为“仅图像”的原因。3.3 motion_bucket_id / augmentation_level / fps 的真实含义这三个参数在SVD_img2vid_Conditioning里几乎每次都要动但很多人只是跟着抄并不清楚它们到底在干嘛。motion_bucket_id可以理解为训练阶段给视频打的“运动量标签”。训练数据里的每段视频研究者会评估它整体运动幅度有多大然后归到一个桶bucket里。推理时你设置的数值相当于告诉模型“请按这个运动档位来生成”。数值范围是 0 到 1023默认 127。把它调高画面里的位移、镜头抖动、物体变化都会更剧烈调得太高主体就很容易扭曲变形。我个人从 60 到 250 都试过60 附近是近乎静止的镜头250 左右已经有明显的运镜和物体形变风险。augmentation_level是对参考图施加高斯噪声的强度。0 表示参考图原封不动地作为条件模型会死守这张图的细节代价是后续动态空间被压缩画面容易显得僵硬。稍微调高一点0.02 到 0.1相当于允许模型在参考图基础上做自由演绎动态会更自然。但调得太高比如超过 0.3第一帧就会和原图出现肉眼可见的偏差甚至完全不像。fps是告诉模型“这段视频的播放节奏”的条件。它影响模型对相邻帧时间间隔的估计按 6fps 生成时模型认为帧与帧之间间隔较长运动幅度会相应地被调整按 30fps 生成时模型会认为每帧间隔很短运动轨迹更要连贯。实际使用时不建议盲目追求高 fps因为模型是在特定训练数据分布上学到的节奏感偏离太远效果反而奇怪。3.4 为什么分辨率必须显式指定SVD_img2vid_Conditioning的width和height是必填项。不少人不理解为什么不能像文生图那样让模型自适配合适的分辨率原因在于 SVD 这类视频模型对分辨率非常敏感。它在训练时主要面向接近 1024×576 或 576×1024 的分辨率分布潜空间下采样倍数、条件帧拼接方式、注意力窗口的结构都围绕这个尺度设计。你把分辨率改成 800×600 这种非标准比例模型仍然能跑但生成结果容易出现局部扭曲、边缘鬼影、运动蠕变。一个比较稳妥的边界是宽高都取 64 的倍数且长宽比尽量贴近 16:9 或 9:16。如果显存紧张可以从 1024×576 降到 768×432 或 512×288而不是改成 768×640 这种奇怪比例。视频的高度和宽度并不是越大越好总像素过高会让小显存机器直接崩溃。4. 实战中的翻车现场与排查清单4.1 新手最容易犯的两个接线错误第一个错误是用CheckpointLoaderSimple加载 SVD 模型。它的确可以加载成功但你会遇到两个连锁问题CLIP 编码器被强行装配显存占用明显上升同时输出接口里的CLIP与CLIP_VISION类型不同后续条件节点根本连不上。即使你绕过 CLIP想把它的MODEL直接接给KSampler也会因为没有正确构造SVD_img2vid_Conditioning所需的中间条件而失败。第二个错误是忘记单独加载 VAE。ImageOnlyCheckpointLoader只输出MODEL但很多人会下意识认为它跟CheckpointLoaderSimple一样已经包含 VAE。报错后会看到VAEDecode的vae输入是空的这时在节点列表里搜VAELoader选择对应的 VAE 文件连线即可解决。这两个错误属于“思路惯性”导致的并不是什么高深问题。我在自己的使用经历里都踩过一次排查起来其实都不难但能帮你省下不少时间。4.2 典型报错与排查对照表我把实际使用中比较常见的几类问题整理成了一张表方便你对照排查现象根因解决方式节点报input type mismatch条件无法连接把CLIP接进了clip_vision端口类型不匹配使用CLIPVisionLoader的输出而不是文本 CLIP 输出生成视频第一帧与参考图不一致augmentation_level过高或图像被强行拉伸到奇怪比例调低 augmentation 到 0.02-0.05宽高改回 64 的倍数显存不足中途崩掉SVD-XT 25 帧全尺寸推理显存不够换 SVD 基础版 14 帧降低分辨率启动参数加--medvram视频色彩断层、花屏VAE 文件与模型不匹配换成社区常用的标准 VAE 文件节点列表搜不到ImageOnlyCheckpointLoaderComfyUI 版本过旧或前端过滤了video_models分类升级 ComfyUI直接在分类里选择loaders/video_models生成画面严重鬼影、物体蠕动分辨率偏离训练分布或motion_bucket_id过高分辨率改为 1024×576 / 576×1024降到 127 附近这些问题的共同点在于模型本身没坏节点也没坏只是条件、分辨率或显存管理没有对齐。4.3 显存不够时的渐进式方案如果你的显卡显存比较紧张不要一上来就开 SVD-XT。我建议按下面的顺序逐步做减法先用 SVD 基础版video_frames设为 14。这比 XT 的 25 帧少接近一半的潜在张量。把分辨率从 1024×576 降到 768×432。这个比例下画面细节仍然可用显存压力小很多。使用 fp8 量化版本的 SVD 模型文件。量化后的模型体积和显存占用都会下降画质损失在可接受范围内。ComfyUI 启动参数使用--lowvram或--medvram让显存不足时自动做权重换入换出。运行过程中关闭浏览器里其他吃显存的页面尤其是硬件加速的视频页面。有一点经常被误解steps调高并不会显著增加显存占用真正的大头是帧数和分辨率。所以显存不够时优先砍帧数、砍分辨率而不是把采样步数从 40 降到 10——那样只会让画质变差显存问题却几乎没改善。4.4 怎么确认加载的是正确模型跑工作流时盯着 ComfyUI 的终端输出看。ImageOnlyCheckpointLoader在加载 SVD 类模型时日志里会出现与模型类型相关的提示能看出它被识别成了视频模型而不是普通文生图模型。如果你加载的是 SVD却在日志里看到它被识别成普通 SD那很可能文件版本或路径不对生成出来的东西大概率是乱的。另外一个确认技巧在ImageOnlyCheckpointLoader和KSampler之间临时插入一个LoraLoaderModelOnly节点。如果模型链路正常这个节点会正常显示“MODEL”输入输出如果链路有问题你会在这一步发现连线断裂。调试完成后把这个节点拿掉即可这只是排查手段不需要留在最终工作流里。5. 和同族加载器的选型对比与扩展玩法5.1 三个加载器一张表看明白ComfyUI 里常见的模型加载器主要有三个用表格对比最直观加载器输出典型适用场景显存开销特点CheckpointLoaderSimpleMODEL CLIP VAE常规文生图、图生图通用检查点加载完整组件开销最大UNETLoaderMODEL加载独立的 UNet 权重文件经常配合外部文本编码器只加载模型主干开销适中ImageOnlyCheckpointLoaderMODELSVD 等图像条件视频模型模型本身大但不额外加载 CLIPUNETLoader与ImageOnlyCheckpointLoader虽然都只输出MODEL但读取文件格式完全不同。UNETLoader期望你给它一个纯粹的 UNet 权重文件而ImageOnlyCheckpointLoader能从通用检查点文件里自动识别并抽取模型主干。如果你手里只有一个完整的 SVD 检查点文件用ImageOnlyCheckpointLoader是最省事的路径。5.2 进阶玩法LoRA、插帧、多段拼接基础工作流跑通之后可玩性就高了。给 SVD 加 LoRA 是很常见的操作。在模型中段插入LoraLoaderModelOnlymodel输入接ImageOnlyCheckpointLoader的MODELmodel输出再接KSampler。LoRA 可以调整动态风格、物体运动方式甚至镜头语言。要注意的是这里用的 LoRA 必须是为 SVD 视频模型训练的文生图模型的 LoRA 直接套上去通常无效。插帧是提升视频流畅度的重要一步。SVD 生成 6fps画面本身是连贯的但播放起来会有轻微顿挫感。用 RIFE 类插帧节点把它补到 24fps 或 30fps观感立刻不一样。插帧最好在保存视频前做也就是把VAEDecode输出的图像序列先过插帧节点再进VHS_VideoCombine。多段拼接长视频时有一个小技巧下一段的参考图不要另找一张直接从上一段最后一帧截取或者将上一段最后两帧做轻微融合后作为下一段的首帧。这样段与段之间的衔接会更顺滑不会出现明显的跳变。5.3 我现在的固定习惯用了很久之后我养成了几个固定习惯。第一把上面这套 SVD 工作流保存成模板 JSON每次图生视频时直接拖入图片、改参数即可而不是重新拖节点连线效率差很多。第二第一次跑一个不熟悉的模型时永远先用 14 帧验证画面风格和首帧一致性确认没问题再升到 25 帧。第三显存不充裕时宁可使用 SVD 基础版加 fp8 量化也不硬上 SVD-XT 全分辨率因为崩溃一次浪费的时间远大于画质提升带来的收益。最后提醒一句图生视频技术生成出来的内容尤其是涉及真人照片转动态视频的玩法一定要谨慎使用。技术的边界不在于能不能实现而在于怎么用、用来干什么。把工具用在正当创作上比任何技巧都重要。